多视角延迟独立分量分析
本文介绍ICLabel项目,该项目包括IC数据集、用于收集众包IC标签的网站和自动分类器。ICLabel分类器的优点在于改进了计算的标签估计的准确性和增强了计算效率,它在所有测量IC类别中优于或与此前公开可用的最佳方法表现相当,并比该分类器快10倍。
Jan, 2019
该研究探讨从多个视角中恢复具有独立组成成分的共同潜在源的问题,并呈现了在使用深度神经网络等功能逼近器时,可以理论上消除混合的新颖可识别性证明。
May, 2019
本文提出了一种新的非线性ICA框架,该框架无需手动分割数据,而是结合了隐马尔可夫模型来实现非监督地学习和动态建模,同时证明了该模型的可辨识性。
Jun, 2020
数据融合建模可识别不同数据源的共同特征并考虑源特异性变异。在多主体、多模态(脑电图和脑磁图)的神经影像实验中,我们引入了“耦合生成器分解”的概念,并演示了如何将其推广为数据融合的稀疏主成分分析(SPCA)方法。通过对脑电图和脑磁图试验进行分半交叉验证,我们研究了不同复杂度模型的最佳模型顺序和正则化强度,并将其与假设刺激下共享脑反应的群体水平模型进行比较。我们的发现表明,对于打乱的脸部,与真实脸部相比,大约170ms后颞叶面区的激活性有所改变,特别在多模态、多主体模型中更为明显。我们通过在PyTorch中使用随机优化进行模型参数推断,证明了其与SPCA的传统二次规划推断具有可比性,但执行速度要快得多。我们提供了一个易于访问的工具箱,包括了耦合生成器分解、原型分析和定向原型分析的数据融合方法。总体而言,我们的方法为数据融合提供了一个有希望的新途径。
Mar, 2024
使用无监督学习算法解决非平稳效应对信号源分离过程的影响,提出了一种名为HarmonICA的设计,能够在实验和真实记录中,盲目补偿与每种记录特定的非平稳效应,从而显著提高源分离过程的质量。
Jun, 2024
本研究针对传统独立成分分析(ICA)在处理高斯分布时遇到的可识别性问题,通过引入新的假设构建来源与观测变量之间的连接结构,从而在不假设非高斯性的前提下,提出了一种基于二阶统计量的可识别性理论。研究表明,该理论和基于稀疏约束的两种估计方法在实验中均得到了验证,具有广泛的应用潜力。
Aug, 2024
本研究解决了独立成分分析(ICA)中解的唯一性差的问题,通过将算法重构为矩阵表示并减少冗余计算,提高了唯一估计的效率。实验结果表明,该方法在人工数据集和脑电图数据上均表现出显著的效率提升,具有潜在的广泛应用价值。
Aug, 2024